AIEd 지식베이스AIEd KB
이 페이지의 목차

이 페이지는 한국어로 번역되었습니다. 문서 페이지는 여전히 영어로 작성되어 있습니다. 이 페이지를 영어로 읽기

개념

글로벌 사우스

생성일 2026-08-18 · 갱신일 2026-09-30

영어 페이지의 자동 번역이며, 아직 원어민의 검수를 받지 않았습니다.

글로벌 사우스는 글로벌 노스에 상대적으로 경제적, 정치적, 역사적으로 종종 소외되어 온 아프리카, 아시아, 라틴 아메리카, 오세아니아의 국가들을 가리킵니다. 교육에서의 인공지능 연구에서 글로벌 사우스 맥락들은 증거 기반에서 점점 더 과소 대표되는 것으로 인정되면서도, 형평성, 문화적 적합성, 자원 제약, 그리고 서구 영어권 훈련 데이터의 인식론적 지배에 관해 독특한 질문들을 제기합니다.

생각해 볼 질문들

  • AI 시스템이 서구 영어 자료로 구축된 벤치마크 시험에서 잘 수행한다면, 그것이 여러분의 학생들에게 똑같이 잘 작동할 것이라고 얼마나 확신하시겠습니까? 여러분의 맥락에서 그것을 신뢰하기 전에 무엇을 확인하고 싶으십니까?
  • 훈련 자료와 평가 지표가 모두 글로벌 노스에서 개발된 학습 도구를 생각해 보십시오. 그것은 언어, 지식 전통, 교육적 현실에 관해 어떤 가정을 조용히 내장할 수 있으며, 누가 그것에 의해 가장 잘못 표상되기 쉽습니까?
  • AI 도입이 연구될 때, 누리의 교실과 기관이 증거 기반을 지배하는 경향이 있습니까? 그것이 교육에서 AI가 '작동하는지'에 관해 우리가 안다고 생각하는 것을 어떻게 왜곡할 수 있습니까?
  • 이 페이지는 학습자의 살아온 인식론과 공동체 인식론을 서구 모형에의 덧붙임이 아니라 권위 있는 것으로 다루자고 주장합니다. 여러분의 AI 관련 실천이나 연구가 지식을 다른 곳에서 수입하기보다 현지 지식을 중심에 두기 위해서는 무엇이 필요하겠습니까?
  • 자원 제약은 글로벌 사우스 맥락에서 되풀이되는 주제입니다. 저렴하고 확장 가능한 AI 지원의 약속은 그것이 어떻게 설계되고 배치되는지에 따라 기회 격차를 좁히기도 하고 넓히기도 할 수 있습니다. 어떻게 그럴 수 있습니까?
  • 특정 환경에서 '도입된' 기술이 현지 조건에 맞았기 때문에 도입된 것인지, 전이된다고 가정되었기 때문에 도입된 것인지를 어떻게 알 수 있겠습니까? 둘을 구별할 어떤 증거가 있겠습니까?

들어가며

AIED에 왜 중요한가

주류 AI와 교육기술 연구는 역사적으로 서구 영어권 자료와 제도적 맥락에 의해 지배되어 왔습니다. 이것은 두 가지 문제를 낳습니다: (1) 그런 자료로 훈련된 AI 시스템은 글로벌 사우스 환경의 학습자에게 저조하거나 오표상을 일으킬 수 있으며, (2) 글로벌 노스에서 구축된 평가 벤치마크는 다른 지역의 교육적 현실, 언어, 지식 전통을 반영하지 않을 수 있습니다. 이 지식베이스의 글로벌 사우스 맥락에서 온 연구는 문화에 뿌리내린 자료, 벤치마크, 기술 도입 연구에 걸쳐 있으며, AI 리터러시와 고등 및 K-12 교육에 함의를 지닙니다.

지식베이스 속의 응용

  • 문화에 뿌리내린 자료와 벤치마크: IKS-Instruct는 다언어 Indian Knowledge Systems 지시 자료를 제공하고, NSMQ Riddles는 가나에 기반한 STEM 벤치마크를 도입하는데, 이것은 최초의 글로벌 사우스 교육 평가 자료 중 하나입니다.

  • 가나 고등 교육에서의 AI 윤리 인식: Acquah 등(2026)은 가나의 대학 학생 509명을 대상으로 세 요인(자율성, 선의, 공정성) AI 윤리 인식 척도를 타당화하며, 고르게 매우 높은 인식에서 거의 없는 작은 군집에 이르는 다섯 잠재 프로파일을 발견했고 — 선의가 가장 약했으며 — 성별 차이는 없었으며, AI-윤리 문헌을 위한 글로벌 사우스 측정 닻을 제공합니다.

  • 저자원 맥락에서의 교사 윤리적 추론: Adelana 등(2026)은 저자원 맥락의 재직 중등 STEAM 교사들이 형식적 원리 목록보다 전문적 정체성, 교실 현실, 문화 규범을 통해 AI 윤리에 관해 추론한다는 것을 발견하여, 글로벌 사우스에 관한 "윤리가 비어 있다"는 가정에 반박합니다.

  • 맥락적 도입: Asag & Al Mamun은 방글라데시 공학 학생들의 GenAI 도입을 모형화하고, ConnectED는 베트남 교육을 위해 교육과정에 정렬된 수업 계획 시스템을 배치합니다.

  • 교수자 도입을 움직인 것은 인프라가 아니라 역량 형성이었습니다. 방글라데시 교수자 255명 사이에서, GenAI에 대한 태도가 사용을 강하게 예측했으며(β = 0.556), 분야 특정 적합성이 태도를 추동했으며(β = 0.413), 한편 기관의 기술 제공과 주관적 규범은 유의한 예측변수가 아니었습니다(Alam 등(2026)).

  • 제도적 통합과 구조적 불평등: Adeniranye 등(2026)의 나이지리아 대학 45곳(연방/주/사립)에 관한 비교 내용 분석은 AI 통합이 거버넌스 유형이 아니라 기관의 연령과 지리적 위치에 의해 예측되며, 국제·산업 네트워크 연결이 서로를 강화한다는 것(r = 0.74)을 발견했으므로, 잘 연결된 기관은 우위를 중첩시키는 반면 다른 기관은 더 뒤처집니다. 이것은 디지털 불평등을 학습자 수준이 아니라 고등 교육 기관 자체의 구조적 역량에 위치시킵니다.

  • 구조적 제약 아래의 디지털 매개로서의 교육 개발: Sithole (2026)은 두 남아프리카의 Historically Disadvantaged Institution에 걸쳐 학업 개발자와 학습 설계자 열두 명을 인터뷰하며, 글로벌 사우스 문헌이 종종 흐리는 분석적 선을 끌어냅니다: 디지털 불평등은 분배적이며 원칙적으로 재분배와 접근을 통해 답변 가능한 반면, 알고리즘 식민성은 인식론적이며 완전한 접근 아래에서도 지속되는데, 그것이 시스템이 내장하는 것과 그것이 누구의 지식을 중심에 두는지에 내재하기 때문입니다. 둘은 얽혀 있지만 서로 다른 대응을 요구하며, 기관은 이중으로 위치합니다 — 인프라 부족에 의해 배제되고, 그리고 포함되었을 때는 다른 지식과 규범을 내장한 수입된 시스템에 의해 종속됩니다. 제도적 AI 수사("실천보다 성과")는 교수의 물질적 현실에 느슨하게 결합된 채 도착했으므로, 개발자들은 글로벌 디지털 전환 담론을 맥락적으로 실행 가능한 실천으로 번역했습니다: 동료 공간에서 도구를 시험하고 의도적으로 "고장" 내고, 기술보다 판단을 고집하며, 자신이 아직 습득 중인 전문성을 투영하는 정서적 비용을 흡수하면서.

  • 인식론적 소외: Tali-Otmani는 서구 중심 훈련 데이터가 비서구적·장애 중심 지식을 소외시킨다고 주장하며 — 글로벌 사우스의 우려를 형평성와 문화적으로 적합한 교수법에 연결합니다.

  • 글로벌 사우스에서의 장애와 포용: Khlaif 등(2026) — 세 팔레스타인 대학에 걸친 저시력 학부생 21명에 관한 질적 사례 연구 — 은 GenAI가 장애 학습자의 디지털적, 지리적, 사회경제적 분열을 메운다는 것을 발견하며, 사용성, 비용 부담 가능성, 접근성가 서로를 강화하는 장애 맥락으로 기술 수용 연구를 확장합니다.

  • 자원 제약 아래의 현지 스트레서를 위한 설계: Bashir과 Afzal(2026)은 Sukoon을 문서화된 불일치에 대한 글로벌 사우스 설계 대응으로 구축합니다 — 정신 건강 챗봇이 대부분 서구 자료로 훈련되고 압도적으로 영어를 쓰이는 반면, 파키스탄 학생들은 학업적, 재정적, 가족적, 관계적 스트레서를 동시에 마주하고 또 낙인 때문에 부모, 교사, 또래에게 정서적 어려움을 자주 말할 수 없다는 것입니다. 저자들의 실천적 제약은 그들의 모형만큼 시사적입니다: 낮은 자원 요건을 위한 호스팅 API를 통한 무료 접근 오픈 소스 대규모 언어 모델(LLM), 지역 대학을 위한 가벼운 Flask 배치, 장벽으로 명시된 "도구는 있으나 종종 비싸다", 그리고 일반적 의존 위험으로 지목된 유료 모형에 대한 불평등한 접근. 그들은 또한 분류기가 파키스탄 학생을 대표하지 않는 공개 자료로 훈련되었음을 지적하며, 인구 결론을 끌어내기 전에 현지에서 수집한 DASS-21 자료를 약속합니다.

  • 아프리카 고등 교육으로부터의 얇고 도구 특정적인 평가 증거: PRISMA 2020 체계적 검토는 2023년과 2025년 사이에 발표된 실증 연구를 찾아 겨우 열 편을 확인했고, 나이지리아와 남아프리카에 집중되어 있었으며 거의 전적으로 ChatGPT에서 수행되었으므로, 생성형 AI를 위한 평가 재설계에 관해 알려진 것은 측정된 학습 이득이 아니라 소규모 표본, 단일 기관, 자기보고 연구에 기대는 것입니다 — 검토의 저자들은 자신들의 권고를 확정된 효과가 아니라 방향으로 틀짓습니다.

  • 형평성은 이 지역 전반에 걸쳐 가장 덜 연구된 차원입니다. 75개 글로벌 사우스 연구(2022–2025년)에 관한 PRISMA-ScR 범위 검토는 다섯 영역 중 형평성이 포용적 교육에서의 중심성에도 불구하고 가장 덜 검토된 것임을 발견하고, 학생들이 밝힌 윤리적 입장과 그들의 행동 사이의 간극을 보고했습니다(Nguyen & Perkins, 2026).

함의

글로벌 사우스 맥락에 주의를 기울이는 것은 서구 모형과 벤치마크가 직접 전이된다고 가정하는 것을 넘어서는 것을 요구합니다. 그것은 현지에 뿌리내린 자료, 문화적으로 적합한 교수법과 교수 전략, 공동체 중심 평가 기준, 그리고 학습자의 살아온 인식론과 공동체 인식론을 권위 있는 것으로 다루는 연구를 요구합니다 — 커뮤니티 기반 AI 학습과 현지 조건에 적응된 기술 수용 연구 같은 틀에 정렬하면서.

확장의 기록은 그 그림의 일부이며, 그것은 숙연한 것입니다. 파일 규모로 작동하는 프로그램은 정부가 그것을 운영할 때 자주 작동을 멈춥니다: 비정부 이행 아래 상당한 이득을 낸 케냐 프로그램은 정부 규모에서는 탐지 가능한 이득을 보이지 않았고(Bold 등), 효과 크기는 프로그램이 자라남에 따라 떨어지는 경향이 있으며(Vivalt), 이행 품질은 장소가 늘어남에 따라 묽어집니다(Al-Ubaydli, List & Suskind). 라틴 아메리카 자신의 선례는 페루의 One Laptop per Child 프로그램입니다 — 약 80만 대의 노트북이 배포되고 수학이나 읽기에 탐지 가능한 효과가 없었으며 — 거기서 끌어낸 교훈은 기술에의 접근은 교수가 아니라는 것입니다. Restrepo Morales 등(2026)은 확장의 교훈에 보고의 교훈을 더합니다: 2026년 엘살바도르 에피소드에서 171개 학교의 AI 교습 파일은 독일과 스웨덴에 필적한다고 발표된 반면, 같은 나라의 대표적인 PISA 2025 표본은 세 과목 중 두 과목에서 움직임을 보이지 않았고, 파일 자료는 선택을 설명으로 배제하기에 너무 얇았습니다(학교당 평가된 학생 7.0명 대 국가적으로 25.4명). 규모로 AI를 도입하는 글로벌 사우스 시스템에 대한 함의는 이중적입니다: 개혁이 작동한다는 증거는 대개 헤드라인의 기술이 아니라 그것이 묶어내는 구성 요소들에 관한 것이며, 배치 이전에 설계된 단계적 도입은 거의 비용 없이 효과를 식별합니다 — 연결이 단계화를 규정하는 곳에서 가장 중요한 것입니다.

연결된 개념

연결된 문서

메타데이터

수준Higher Ed, K 12
기술과 기법생성형 AI
형평성, 윤리, 그리고 책임 있는 사용문화적으로 적합한 교수법, 형평성, 글로벌 사우스
교육에서의 인공지능 기초AI 리터러시
SourceHistoryEditChat

이 페이지 삽입

아래 코드를 복사하여 학습 관리 시스템이나 다른 웹사이트에 이 페이지를 삽입하세요. 삽입된 버전은 페이지 콘텐츠만 표시하며, 사이트의 헤더, 내비게이션, 푸터는 숨겨집니다.